Firmy nie mają już problemu z dostępem do sztucznej inteligencji. Mają problem z przełożeniem jej na zmianę, którą widać w procesie, jakości i rachunku wyników. Dopóki liderzy mierzą liczbę promptów, licencji i uruchomionych pilotów, AI pozostaje kosztowną demonstracją nowoczesności. Wartość zaczyna się dopiero wtedy, gdy organizacja potrafi nazwać problem, przebudować sposób pracy i rozliczyć technologię z konkretnego efektu.
Jeszcze niedawno samo uruchomienie modelu generatywnego, firmowego asystenta czy programu dla pracowników było sygnałem technologicznej dojrzałości. Dziś podobne narzędzia są dostępne niemal każdej organizacji. Piszą podsumowania, wspierają analizę, pomagają tworzyć kod i testy, przygotowują prezentacje. Bariera wejścia gwałtownie spadła, lecz wraz z nią zniknęła przewaga wynikająca z samego posiadania technologii. Konkurenci mogą kupić podobny model, dostęp do chmury i zestaw licencji. Nie mogą natomiast równie łatwo skopiować spójnych danych, dobrze zaprojektowanych procesów, szybkiego podejmowania decyzji ani kultury odpowiedzialności za wynik.
Na tym tle szczególnie mocno wybrzmiewa obserwacja Aleksandry Tutaj, Engineering Director w InPost: „To, że coś działa, wcale nie oznacza, że coś zmienia”. To zdanie trafnie oddziela sprawność techniczną od sensu biznesowego. Model może udzielać poprawnych odpowiedzi, agent może wykonać zadanie, a pracownicy mogą chętnie korzystać z narzędzia — i nadal nie musi to oznaczać krótszego czasu realizacji, niższego kosztu, lepszej jakości ani większych przychodów.
Organizacje pokochały pilotaże, bo pozwalają szybko pokazać postęp bez mierzenia się z najtrudniejszą częścią transformacji. Demo można przygotować w kilka tygodni. Skalowanie wymaga integracji ze starszymi systemami, uporządkowania uprawnień, zabezpieczenia danych, obsługi wyjątków, monitorowania jakości i wskazania właściciela rozwiązania po wdrożeniu. Pilot celebruje możliwość. Produkcja rozlicza konsekwencje.
Ta różnica ma wymiar finansowy. Raport MIT NANDA „The GenAI Divide: State of AI in Business 2025” stał się głośny za sprawą wniosku, że około 95 procent analizowanych pilotaży generatywnej AI nie przyniosło mierzalnego wpływu na rachunek wyników. Nie oznacza to, że technologia jest nieskuteczna. Raczej pokazuje, jak często firmy zatrzymują się między atrakcyjnym prototypem a rzeczywistą zmianą operacyjną. Jednocześnie McKinsey szacuje potencjał generatywnej AI na 2,6–4,4 bln dolarów wartości rocznie. Rozpiętość między potencjałem a rezultatem nie jest więc luką modelową. To luka wykonawcza.
Kontekst danych: MIT NANDA / omówienie badania oraz McKinsey — ekonomiczny potencjał generatywnej AI
Gdy firma nie potrafi jeszcze zmierzyć wartości, zaczyna mierzyć to, co łatwo policzyć: aktywnych użytkowników, zużyte tokeny, liczbę promptów, powstałe aplikacje, frekwencję na hackathonach. Tak rodzi się „token maxxing” — optymalizacja pod intensywność użycia AI zamiast pod poprawę działania firmy. Metryka, która miała informować o adopcji, staje się celem. Zespoły uczą się ją maksymalizować, a raporty wyglądają coraz lepiej, choć proces klienta lub pracownika niewiele się zmienia.
To mechanizm znany na długo przed erą modeli językowych. Gdy wskaźnik staje się celem, traci zdolność opisywania rzeczywistości. AI jedynie zwiększyła tempo i koszt tego zjawiska. Cotygodniowy ranking użycia może mobilizować do pierwszych prób, lecz po okresie oswajania technologii powinien ustąpić metrykom rezultatu: ile czasu usunęliśmy z procesu, jaki odsetek spraw rozwiązujemy poprawnie za pierwszym razem, o ile skrócił się time to market, gdzie spadła liczba błędów i jaki koszt całkowity ponosimy za osiągnięty efekt.
Najbardziej wartościowe wdrożenia AI często są mało widowiskowe. Nie wygrywają demonstracją, tylko konsekwentnie usuwają wąskie gardło: poszerzają zakres testów bez potrajania zespołu, analizują całość rozmów z klientami zamiast niewielkiej próbki, porządkują pracę operacyjną albo automatyzują fragment decyzji, który nie wymaga ludzkiego osądu. Ich wspólnym początkiem nie jest pytanie „gdzie możemy dołożyć AI?”, lecz „co w tym procesie działa zbyt wolno, drogo lub niestabilnie?”.
To odwrócenie kolejności ma kluczowe znaczenie. Jeżeli obsługa tego samego zdarzenia wygląda inaczej na każdym rynku, najpierw trzeba ustalić wspólny rdzeń procesu. Jeżeli dane są niespójne, należy je znormalizować. Jeżeli nikt nie wie, kto odpowiada za decyzję, model nie usunie niejasności — jedynie szybciej ją rozpowszechni. Jak ujmuje to Aleksandra Tutaj: „Jeśli macie dobre procesy, one będą działać lepiej. Jeżeli macie złe procesy, one będą działać szybciej”. AI jest wzmacniaczem organizacji, nie jej automatycznym projektantem.
Nie oznacza to, że każdy proces trzeba najpierw doprowadzić do perfekcji „offline”. Czasem właśnie możliwości modeli pozwalają zaprojektować pracę od nowa — na przykład analizować sto procent interakcji, czego nie dałoby się ekonomicznie wykonać siłami ludzi. Warunek pozostaje ten sam: nowy proces musi mieć jasno zdefiniowane wejścia, standard jakości, wyjątki, odpowiedzialność i mierzalny rezultat. Bez tego automatyzacja zwiększa tylko zasięg chaosu.
Eksperymentowanie nie jest błędem. Na początku organizacja potrzebuje bezpiecznego marginesu na naukę: pracownicy muszą zobaczyć, że AI może skrócić trzy godziny pracy do trzydziestu minut, pomóc porównać raporty czy przygotować pierwszą wersję analizy. Limity i zasady korzystania powinny pozwalać na taką eksplorację. Bez niej nie powstaje ani kompetencja, ani zaufanie.
Błąd pojawia się wtedy, gdy firma pozostaje w trybie adopcji bez końca. Po etapie oswojenia potrzebna jest zmiana kontraktu: z „korzystajcie i uczcie się” na „pokażmy, co działa lepiej”. W InPost właśnie ten moment prowadzi do przeglądu efektów zużycia tokenów i aplikacji budowanych przez zespoły. Nie chodzi o zakręcenie kranu z innowacją, lecz o połączenie swobody eksperymentu z dyscypliną portfela inwestycyjnego.
Historia chmury podpowiada, co wydarzy się dalej. Najpierw organizacje zachwyciły się elastycznością zasobów, później zderzyły z rachunkami i nauczyły zarządzać kosztami w modelu FinOps. Z AI dzieje się podobnie. Kiedy tokeny, inferencja, licencje, integracje i utrzymanie stają się stałą pozycją w budżecie, pytanie CFO jest nieuniknione: gdzie jest wynik?
Dojrzałe zarządzanie kosztami AI nie może jednak sprowadzać się do minimalizowania liczby tokenów. Najtańsze rozwiązanie, które nie poprawia procesu, nadal jest stratą. Potrzebny jest rachunek jednostkowy: koszt obsłużonej sprawy, koszt wygenerowania poprawnego rezultatu, koszt czasu człowieka pozostającego w pętli, koszt błędu oraz koszt kontroli i bezpieczeństwa. Dopiero wtedy można porównać scenariusze: model mniejszy czy większy, rozwiązanie własne czy kupione, pełna automatyzacja czy wsparcie decyzji człowieka.
Najważniejszym zadaniem lidera nie jest zwiększanie liczby inicjatyw AI, lecz stworzenie mechanizmu, który odróżnia naukę od inwestycji oraz aktywność od wartości. Każdy pilotaż przechodzący do produkcji powinien mieć odpowiedź na pięć pytań:
Jaki konkretny problem lub wąskie gardło usuwamy i dla kogo?
Która metryka procesu ma się zmienić — czas, koszt, jakość, przepustowość, ryzyko czy przychód?
Co trzeba zmienić w procesie, danych i odpowiedzialności, zanim rozwiązanie będzie można skalować?
Jakie decyzje może podejmować AI, gdzie pozostaje człowiek i jak obsługujemy wyjątki?
Jaki jest pełny koszt uzyskania wyniku i po jakim czasie potwierdzimy, że hipoteza była trafna?
Takie pytania przesuwają rozmowę z poziomu narzędzia na poziom systemu pracy. Chronią też zespoły przed dwiema skrajnościami: bezrefleksyjnym entuzjazmem i defensywnym cięciem eksperymentów. Lider technologii powinien zapewnić jedno i drugie — przestrzeń do odkrywania nowych możliwości oraz twardą bramkę wartości przed skalowaniem.
Sztuczna inteligencja nie napisze organizacji od nowa. Powiększy to, co już w niej istnieje: jakość lub bałagan, szybkość decyzji lub szybkość eskalacji, spójność danych lub skalę niespójności. Dlatego najbardziej trwała przewaga nie wynika dziś z wyboru modelu, lecz z gotowości do szybszej niż konkurencja zmiany procesu, ról i sposobu mierzenia efektów.
Praktyczny wniosek dla liderów technologii jest prosty: nie zaczynajcie kolejnego kwartału od listy wdrożeń AI. Zacznijcie od listy procesów, które najbardziej ograniczają wynik. Wybierzcie jeden, ustalcie linię bazową, przeprojektujcie go z biznesem i dopiero wtedy zdecydujcie, gdzie model rzeczywiście usuwa zbędną pracę. AI nie musi być wszędzie. Musi zmieniać to, co ma znaczenie.